摘要
本文提出了一种将人工智能整合到脑机接口（BCI）轮椅开发中的新方法，利用运动想象的左右手运动机制进行控制。该系统旨在基于脑电图（EEG）数据，通过模拟手部运动的运动想象来实现轮椅导航。
预处理后的数据集来自一个开源EEG库，被分割成19x200的数组，以捕捉手部运动的起始信号。数据以200Hz的采样频率获取。该系统集成了基于Tkinter的界面，用于模拟轮椅运动，为用户提供了一个功能性和直观的控制系统。
我们提出了TFormerEEG，一种基于变换器的深度学习架构，用于运动想象EEG分类。该模型在与多种机器学习基线模型（包括XGBoost、EEGNet和EEG-Deformer模型）的比较中，测试准确率达到了93.04%。通过分层交叉验证，TFormerEEG的平均准确率为91.18%，展示了该模型的有效性。
博主点评： 该研究展示了变换器架构在脑机接口中的潜力，尤其是在运动想象任务中的应用。通过高准确率的分类能力，TFormerEEG不仅推动了技术进步，还为残障人士提供了更好的生活质量提升方案，值得进一步探索和优化。